Course SNA

Программа учебной дисциплины «Анализ социальных сетей»

Название: Анализ социальных сетей (Social Network Analysis)

Язык: Английский

Учебный год начала: 2026

Учебный год окончания : 2026

Аннотация Курс знакомит с методами вычислительных социальных наук для анализа сетевых и текстовых данных. Три блока: эксплоративный анализ сетей, динамика и распространение в сетях, графовый ML (эмбеддинги и GNN). - Сбор, предобработка, анализ и визуализация сложноструктурированных данных. - Акцент на сетевом анализе текстовой информации. - Групповой проект (1–3 студента) с исследовательскими и прикладными задачами.

Цели освоения - Понимать задачи SNA, ключевые методы и алгоритмы. - Формализовывать задачи на языке теории графов. - Выбирать адекватные инструменты анализа. - Навыки Python для сетевого анализа и визуализации. - Анализ сетей реального мира; сравнение и обобщение.

Содержание курса

Week 1 - Введение в Network Science — задачи, источники данных; практика: Gephi. Week 2 - Базовые определения I (метрики целого графа) — пути, диаметр, кластеризация. Week 3 - Инструменты анализа — форматы графов и тулчин. Week 4 - Базовые определения II (метрики вершин) — betweenness, closeness, PageRank, degree, cores, motifs, HITS, двудольные графы. Практика: NetworkX/igraph. Week 5 - Community Detection — модульность, спектральные методы, Лувен/Лейден; практика: Python. Week 6 - Block Modeling — типы, алгоритмы, матрица изображений и интерпретация. Week 7 - Сетевые модели — Эрдёш–Реньи, preferential attachment, small-world; практика: генерация графов. Week 8 - Распространение/эпидемиология — SI/SIS/SIR, слухи; практика: ndlib. Week 9 - Графовые эмбеддинги — unsupervised, factorization, random walk; практика: link prediction. Week 10 - GNN I — message passing, DGL; практика: классификация узлов. Week 11 - GNN II — link prediction, классификация графов, SOTA особенности. Week 12 - Текстовые графы и KGs — анализ сообщений, JODIE; практика: Entity Linking в DGL. Week 13 - Графовые БД — Neo4j и др.; поиск: FAISS, Gensim, Elasticsearch. Week 14 - Темпоральные графы — модели, структуры данных, динамические процессы.

Список вопросов на экзамен (предварительно)

Визуализация сетей: Графовые инструменты

Свойства сетей и центральности: Betweenness

Свойства сетей и центральности: Closensess

Свойства сетей и центральности: Pagerank

Свойства сетей и центральности: Degree

Свойства сетей и центральности: Cores

Свойства сетей и центральности: Graph Motifs

Свойства сетей и центральности: Двудольные сети

Свойства сетей и центральности: HITS

Модели сетей: Модель Эрдеша-Реньи

Модели сетей: Принцип предпочтительного присоединения

Модели сетей: Модель малого мира

Обнаружение сообществ: Модульность

Обнаружение сообществ: Распространение метки

Обнаружение сообществ: Алгоритм Ньюмана

Обнаружение сообществ: Алгоритм Лувена

Обнаружение сообществ: Алгоритм Лейдена

Эпидемические модели и распространение информации: Пороговые модели

Эпидемические модели и распространение информации: Модели независимых каскадов

Эпидемические модели и распространение информации: SI/SIS

Эпидемические модели и распространение информации: SIR

Графовые эмбеддинги: Deep Walk

Графовые эмбеддинги: Node2Vec

Графовые эмбеддинги: LINE

Графовые эмбеддинги: HOPE

Графовые эмбеддинги: TransE

Графовые эмбеддинги: Сети внимания графов

Перенастройка графов

Графовые эмбеддинги: Предсказание связей с помощью эмбеддингов сетей

Графовые эмбеддинги: Нейронные сети с проходом сообщений

Графовые эмбеддинги: Pagerank как передача сообщений

Графовые эмбеддинги: GraphSage

Графовые эмбеддинги: Тест Вайсфейлера-Лемана

Графовые эмбеддинги: Графы знаний

Временные графы и Графы знаний: Передача сообщений с рекурсией

Временные графы и Графы знаний: JODIE

Технологии

Проведение занятий планируется на платформе ZOOM (с записью ReadAI). Презентация (показ материалов) с использованием платформы Slides. Язык программирования на курсе - Python. Проверка практических заданий (ДЗ) преимущественно с использованием Google Collab (либо Jupyter Notebook). Выполнение квизов (тестов) - Google Form. Общий канал/чат для студентов для учебных оповещений - Telegram. Промежуточная ведомость - Google Spreadsheets. Дополнительно может быть организовано: телеграм-бот для загрузки результатов ДЗ; общий репозиторий (диск) для хранения информации по курсу; (по запросу) консультации (индивидуальные онлайн-встречи) по курсу. Система оценивания (предварительно)

Оценка за квизы и домашние работы:

Текущая активность G = Quiz1..N * 0.3 + Questions1..3 * 0.2 + Contest1..M * 0.5

Contest1 — сообщества;

Contest2 — распространение информации;

Contest3 — кредитный скоринг.

Точные формулировки вопросов см. в списке экзаменационных тем.

Оценка за курсовой проект (ДЗ):

Gpr=CP1+ CP220 +Research Proposal10+Preprocessing and Data Loading10+3EDA20 + +3 Research Hypothesis Validation10+3 Interpretation of results10+Project Presentation10+ +Final Paper20

Где CP1 и CP2 - сдача промежуточных результатов проекта в срок, а остальные пункты оценивают полноту и законченность проекта. Соответствие результатов проекта и итоговой оценки приведено в таблице ниже.

Основные результатты проекта	Оценка
Полностью или частично собраны данные. Внедрена новая модель прогнозирования или построена новая имитационная модель. Проведено сравнение с существующими аналогами, проведен
количественный/качественный анализ результатов. Подготовлен отчет о проделанной работе в формате исследовательской статьи (research paper) или технического отчета (technical report), а также воспроизводимый код для проекта.	Отлично (10)
Полностью или частично собраны данные. Внедрена новая модель прогнозирования или построена новая имитационная модель. Проведено сравнение с существующими аналогами, проведен
количественный/качественный анализ результатов. Подготовлен краткий отчет о проделанной работе и воспроизводимый код для проекта.	Отлично (8-9)
Полностью или частично собраны данные. Реализована существующая модель прогнозирования. Сравнение моделей или количественный/качественный анализ результатов отсутствуют.	Хорошо (6-7)
Данные собраны полностью или частично. Модель прогнозирования не была проверена или отсутствует.	Удовлетворительно (4-5)
Данные по проекту не собраны или собраны не полностью. Модель прогнозирования не была реализована или отсутствует	Неудовлетворительно(0-3)

Суммарная оценка: G = (0.5 Ghw)+(0.5 Gpr) Если суммарная оценка G ≥ 6, экзамен студент может получить автомат, соответствующий накопленной оценке. Если суммарная оценка G < 6, то студент сдает устный экзамен, включающий 3 вопроса. В этом случае итоговая оценка за экзамен (и за курс): Gex = 0.6 (questions(mark))+0.4G

Экзамен / автомат Если G ≥ 6.0 — возможен автомат, равный накопленной оценке. Если G < 6.0 — устный экзамен (3 вопроса). Оценка за экзамен: Gex = 0.6 · questions(mark) + 0.4 · G